KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models

要約

大規模な言語モデル（LLMS）の最近の進歩と食品データの豊富さにより、LLMを使用した食品の理解を改善する研究が生じています。
LLMSと知識グラフ（KGS）を利用しているいくつかの推奨システムにもかかわらず、食品関連のKGとLLMの統合に関する研究は限られています。
食品KGとLLMSを活用してパーソナライズされた食品の推奨を提供し、関連する微量栄養情報を含むレシピを生成する統一されたシステムであるKerlを紹介します。
自然言語の質問を考えると、Kerlはエンティティを抽出し、KGからサブグラフを取得し、その後、コンテキストとしてLLMに供給され、制約を満たすレシピを選択します。
次に、私たちのシステムは、各レシピの調理手順と栄養情報を生成します。
アプローチを評価するために、制約と個人的な好みと組み合わせたレシピ関連の質問をキュレーションすることにより、ベンチマークデータセットも開発します。
広範な実験を通じて、提案されたKGの高度LLMが既存のアプローチを大幅に上回り、食品推奨、レシピ生成、栄養分析のための完全で一貫したソリューションを提供することを示しています。
コードとベンチマークデータセットは、https：//github.com/mohbattharani/kerlで公開されています。

要約(オリジナル)

Recent advances in large language models (LLMs) and the abundance of food data have resulted in studies to improve food understanding using LLMs. Despite several recommendation systems utilizing LLMs and Knowledge Graphs (KGs), there has been limited research on integrating food related KGs with LLMs. We introduce KERL, a unified system that leverages food KGs and LLMs to provide personalized food recommendations and generates recipes with associated micro-nutritional information. Given a natural language question, KERL extracts entities, retrieves subgraphs from the KG, which are then fed into the LLM as context to select the recipes that satisfy the constraints. Next, our system generates the cooking steps and nutritional information for each recipe. To evaluate our approach, we also develop a benchmark dataset by curating recipe related questions, combined with constraints and personal preferences. Through extensive experiments, we show that our proposed KG-augmented LLM significantly outperforms existing approaches, offering a complete and coherent solution for food recommendation, recipe generation, and nutritional analysis. Our code and benchmark datasets are publicly available at https://github.com/mohbattharani/KERL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google